从jupyter笔记本中运行tensorflow代码时，我注意到了相当大的性能（速度）差异，而不是从命令行将其作为脚本运行。
例如，下面是运行MNIST CNN教程（https://www.tensorflow.org/code/tensorflow/examples/tutorials/mnist/fully_connected_feed.py）
的结果设置：
具有32 Xeon-CPUS，62GB内存，4 K520 GPUS（4GB内存）的AWS实例
Linux：3.13.0-79 Ubuntu
Tensorflow：0.10.0rc0（由支持GPU的源代码构建）
Python：3.5.2 | Anaconda custom（64位）|
CUDA库：libcublas.so.7.5，libcudnn.so.5，libcufft.so.7.5，libcuda.so.1，libcurand.so.7.5
培训步骤：2000
Jupyter笔记本执行时间：
这不包含导入和加载数据集的时间 - 只是培训阶段
CPU times: user 8min 58s, sys: 0 ns, total: 8min 58s
Wall time: 8min 20s
命令行执行：
这是执行完整脚本的时间。
real 0m18.803s
user 0m11.326s
sys 0m13.200s
GPU正在两种情况下使用，但利用率更高（在命令行的训练阶段通常为35％，而笔记本版本为2-3％）。我甚至尝试将其手动放置在不同的GPU上，但这对笔记本的执行时间没有太大影响。
关于为什么会这样做的任何想法/建议？
答案 0 :(得分：0)
我看到了相反的情况。笔记本中的GPU使用率优于命令行。
我一直在使用DQN训练乒乓球，使用命令行的帧速降至17fps，而使用笔记本的帧速降至100fps。
我看到了nvidia-smi的统计信息，其中显示了命令行方法294MB的使用量，木星笔记本方法的984MB的使用量。
不知道原因，但在colab中也有类似观察